---
title: "¿Qué es la ventana de contexto de un LLM? Límites explicados"
description: "La ventana de contexto es el máximo de tokens que un LLM maneja en una solicitud, prompt y salida juntos. Qué cuenta, qué pasa si se llena y tamaños por modelo."
url: https://broadrouter.com/es/glossary/context-window/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/context-window/) (actualizado el 2026-11-14).

# Ventana de contexto (context window)

Actualizado 2026-11-14

La ventana de contexto es la cantidad máxima de tokens con la que un modelo de lenguaje puede trabajar en una sola solicitud. Incluye el prompt, el historial de la conversación, las definiciones de herramientas, las imágenes y la salida generada, incluidos los tokens de razonamiento. Lo que no cabe debe recortarse, resumirse o dividirse en varias solicitudes.

También llamado: ventana de contexto, longitud de contexto, tamaño de contexto, límite de tokens, límite de contexto, context window, context length, context size, token limit, context limit

La ventana de contexto es la memoria de trabajo de un modelo para una solicitud. Todo lo que el modelo necesita ver, y todo lo que escribe de vuelta, tiene que caber dentro.

## Cómo funciona

La ventana se mide en [tokens](https://broadrouter.com/es/glossary/token/). La documentación de Anthropic la describe como “all the text a language model can reference when generating a response, including the response itself” (traducción: todo el texto al que un modelo de lenguaje puede hacer referencia al generar una respuesta, incluida la propia respuesta). Eso incluye:

-   el prompt de sistema y cada mensaje, incluidos los turnos anteriores;
-   las definiciones de herramientas y sus resultados;
-   documentos e imágenes;
-   la salida, incluidos los [tokens de razonamiento](https://broadrouter.com/es/glossary/reasoning-tokens/) ocultos.

Así que el presupuesto es compartido. Con una ventana de 1,048,576 tokens, un prompt de 1,040,000 tokens deja unos 8,000 tokens para el razonamiento y la respuesta. Configure [`max_tokens`](https://broadrouter.com/es/glossary/max-tokens/) teniendo eso en cuenta.

El modelo no recuerda solicitudes anteriores. Un chat parece continuo solo porque el cliente reenvía el historial en cada turno, así que una conversación larga llena la ventana paso a paso.

## Por qué importa

-   **Capacidad.** Una ventana grande permite que una sola solicitud contenga todo un código fuente, un conjunto de contratos u horas de transcripciones, para que el modelo conecte datos entre ellos.
-   **Costo.** Cada token de la ventana se factura como entrada en una clave por token. El [caché](https://broadrouter.com/es/glossary/cached-input-tokens/) reduce el precio de los prefijos repetidos, pero los tokens en caché siguen ocupando la ventana.
-   **Calidad.** Más no siempre es mejor. Anthropic llama “context rot” (deterioro del contexto) a la pérdida de precisión en prompts muy largos. Seleccione lo que envía.
-   **Latencia.** Los prompts largos tardan más antes de que aparezca el primer token.

## En BroadNet Inference

| Modelo | Ventana de contexto |
| --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | 1,048,576 tokens |
| [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) | 1,048,576 tokens |
| [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) | 262,144 tokens |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) | 32,768 tokens |

La ventana cubre el prompt y la respuesta juntos, y BroadNet no recorta su contexto. DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B razonan antes de responder, así que deje margen: una ventana llena con un presupuesto de salida pequeño devuelve una respuesta vacía. Consulte [por qué los modelos de razonamiento devuelven respuestas vacías](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/).

Los planes ilimitados incluyen la ventana completa de 1M de tokens en DeepSeek V4.1 Flash. Para saber cuándo tanto contexto supera a la recuperación de información, lea [la guía de la ventana de contexto de 1M de tokens](https://broadrouter.com/es/blog/million-token-context-window-guide/).

## Errores comunes

-   Tratar la ventana como la longitud de la salida. Los límites de salida se configuran por separado con `max_tokens`.
-   Reenviar el historial completo indefinidamente. Resuma o descarte los turnos antiguos antes de que la ventana se llene.

## Preguntas frecuentes

### ¿Qué pasa si mi prompt es más largo que la ventana de contexto?

La API rechaza la solicitud, normalmente con un error 400. Anthropic, por ejemplo, devuelve "prompt is too long" (traducción: el prompt es demasiado largo). Algunas apps de chat recortan los mensajes antiguos por usted; la mayoría de las APIs no lo hace.

### ¿Una ventana de contexto más grande siempre es mejor?

No. Los prompts largos cuestan más y tardan más en procesarse, y Anthropic señala que la precisión y la recuperación pueden degradarse a medida que crece la cantidad de tokens. Envíe lo que la tarea necesita.

### ¿BroadNet recorta mi contexto?

No. BroadNet Inference no recorta su contexto. Si la solicitud no cabe, acórtela usted.

## Vea también

-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [max\_tokens (límite de tokens de salida)](https://broadrouter.com/es/glossary/max-tokens/) (término)
-   [Tokens de razonamiento (reasoning tokens)](https://broadrouter.com/es/glossary/reasoning-tokens/) (término)
-   [Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/) (término)
-   [Caché KV (KV cache)](https://broadrouter.com/es/glossary/kv-cache/) (término)
-   [Context rot (deterioro del contexto)](https://broadrouter.com/es/glossary/context-rot/) (término)
-   [Lost in the middle (perdido en el medio)](https://broadrouter.com/es/glossary/lost-in-the-middle/) (término)
-   [RAG (generación aumentada por recuperación)](https://broadrouter.com/es/glossary/rag/) (término)
-   [Compactación de contexto (context compaction)](https://broadrouter.com/es/glossary/context-compaction/) (término)
-   [¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/) (guía)
-   [Ventana de contexto de 1M de tokens: cuándo compensa y cuándo no](https://broadrouter.com/es/blog/million-token-context-window-guide/) (artículo)
-   [Tokens de entrada en caché: cómo reducir la factura de una API de LLM](https://broadrouter.com/es/blog/cached-input-tokens-explained/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-context-window&utm_content=page-cta) ·

**Fuentes**

-   [Anthropic, ventanas de contexto](https://platform.claude.com/docs/en/build-with-claude/context-windows)
-   [OpenAI, modelos de razonamiento (los tokens de razonamiento ocupan la ventana de contexto)](https://developers.openai.com/api/docs/guides/reasoning)
-   [Precios y longitudes de contexto de BroadNet Inference legibles por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-context-window&utm_content=sources)
